← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9904.r · 生成模型:Hunyuan

LS-PLM分片逻辑回归

理解等级:中级

LS-PLM又称MLR,本质是对逻辑回归的自然推广,采用分而治之:先用softmax聚类函数π对样本分片,再在每个分片内用LR计算CTR,最后把两者相乘求和。其灵感来自广告场景——预估女性点击女装广告时,不应把男性点击数码产品的样本混进来扰乱权重,先聚类再分片建模能让模型对不同人群和场景更有针对性。超参数分片数m平衡拟合与推广:m=1时退化为普通LR,m越大拟合能力越强,但参数规模与所需训练样本也随m线性增长,阿里给出的经验值是12。相比LR只能画线性分类面,多个分片能拟合出非线性边界,如用4个分片拟合菱形分类面。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《深度学习推荐系统》第2章 前深度学习时代——推荐系统的进化之路(源文件:extracted/深度学习推荐系统/_epub-src/text/part0006_split_007.html) - 结论依据:原文说明LS-PLM先分片再分片内LR的结构、女性女装广告的动机、分片数m的作用与经验值12,以及拟合菱形分类面的例子。 - 原始内容:本质上,LS-PLM可以看作对逻辑回归的自然推广,它在逻辑回归的基础上采用分而治之的思路,先对样本进行分片,再在样本分片中应用逻辑回归进行 CTR预估